Deep Learning gestützte Warnsysteme – Erkennung von Blutungen bei FESS Operationen

Problemstellung:

Die Blutung im Verlauf einer FESS hat einen negativen Einfluss auf die Aussagekraft des endoskopischen Bildes. Eigene Untersuchungen konnten belegen, dass -in Abhängigkeit vom Erfahrungsstand des Operateurs- in bis zu 40% der Fälle die Sicht durch eine Blutung grenzwertig oder darüber hinaus kritisch eingeschränkt war. Dadurch kommt es zu einer Zunahme des OP-Risikos durch mangelhafte Orientierung im Situs.

Material und Methoden:

In dieser Arbeit werden Deep Learning Ansätze zur Bild- und Zeitreihenerkennung genutzt ein Warnsystem zu entwickeln, welches während der Operation Videomaterial des Endoskops auswertet um Live Warnmeldungen im OP-Cockpit abzubilden und damit den Arbeitsablauf zu optimieren. Trainings- und Testdatensätze haben einen Umfang von 10.000 bzw. 2000 Einzelbildern aus über 1200 FESS Operationen.

Ergebnisse:

Mithilfe von Deep Learning Methoden wird starker Blutausfluss erkannt um operierenden Personal eine Warnmeldung bei beeinträchtigten Sichtbedingungen zu geben. Mit 22 verschiedenen erkannten Klassen liegt die Validierungsgenauigkeit den Prozentualen Blutanteil unter 10% Abweichung richtig zu erkennen dabei über 85%.

Schlussfolgerung:

Das dargestellte Assistenzsystem kann durch den automatisierten Hinweis auf den Grad der Blutung die Entscheidung über die Anpassung der OP-Strategie erleichtern. So kann der Operateur verlässlicher Maßnahmen wie Spülung, medikamentöse oder physikalische Blutstillung ergreifen. Darüber hinaus liefert das System Grundlagen für eine Vorhersage von Blutungsereignissen, die in Zukunft möglicherweise zu einem verbesserten OP-Ablauf führen.

Publication History

Publication Date:
23 April 2019 (online)